Öneriler

Tez çalışmasında oluşturulan sanal ortam altyapısı; pek çok farklı tipte senaryonun çalıştırılabilirdiği ve bu senaryolara uygun analiz çalışmalarının gerçekleştirilebildiği bir ortam sağlamaktadır. Örneğin aydınlatma hareketli hale getirilerek gün doğumu ve gün batımı senaryoları çalıştırılabilir, kar veya yağmur ortama eklenebilir ve parametrik olarak değiştirilebilir. Örneğin sağanak yağmur veya yoğun kar altında kişi animasyonu

102

gerçekleştirilebilir, kişi sayısı, kişi kıyafetleri değiştirilebilir, ortama hareketli bir futbol topu eklenerek futbol topunun algılanması istenmiyor ise negatif eğitim verisine eklenebilir, saha aydınlatması sonucu oluşan gölgelerin bulunmaması için negatif eğitim verisine bu eklentiler yapılabilir, özel olarak kaleci ve sakatlanmış futbolcu hareketleri de eklenerek çeşitli eğitim verileri oluşturulabilir.

Bu tez çalışmasında oluşturulan karakterlerin hareketlendirilmeleri bir lideri izle modeli ile gerçekleştirilmiştir yani yarı zeki bir çalışma modeli oluşturulmuştur. Blender uygulamasında hareketlendirilen modellerin her biri bulunduğu koşula, karşılaştığı engele veya diğer hareketlendirilmiş objelere göre kendini pozisyonlayabileceği veya hareket kararı verebileceği hale de getirilerek sanal ortamdaki hareket doğallığı arttırılabilir. Örneğin bir kalabalık simülasyonu kullanılarak gerçekleştirilebilir.

Bunun yanında sanal olarak hazırlanan ortamda 2B sanal kamera konumu da dinamik hale getirilerek oluşturulacak animasyonlardan hem daha çeşitli eğitim verileri toplanabilir hem de gerçek ortam uyarlaması ile ilgili daha çok sayıda test ortamı yaratılabilir.

Sanallaştırılmış ortamın hazırlanmasında gerçek ortamdan alınan görüntülerden de faydalanılabilinir. Bu ortamdan alınan görüntüler kullanılarak hazırlan 3B modellemelerde gerçeğe daha yakın sahne ve kişiler oluşturulabilir bu sayede gerçek ortama daha yakın bir sanal sahnede video analizi faaliyetleri gerçekleştirilebilir.

103 KAYNAKLAR

Acar, E. ve Özerdem, M. S. 2016. Tarımsal İmge Dokularından HOG Algoritması ile Öznitelik Çıkarımı ve Öznitelik Tabanlı Toprak Neminin Tahmini. Bilgisayar Bilimleri Dergisi, 1(1), 1-7.

Adelson, E. H., Anderson, C. H., Bergen, J. R., Burt, P. J. and Ogden, J. M. 1984.

Pyramid methods in image processing. RCA Engineer, 29(6), 33-41.

Anonymous. 2020. Web Sitesi: http://www.lookingatpeople.com/data/Daimler/pami09-enzweiler- gavrila/TrainingData.tar.gz, Erişim Tarihi: 20.09.2020.

Anonymous. 2020. Web Sitesi: https://www.autodesk.com.tr/solutions/3d-modeling-software, Erişim Tarihi: 19.09.2020.

Ayhan, S. ve Erdoğmuş, Ş. 2014. Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 9(1), 175-198.

Bay, H., Ess, A., Tuytelaars, T. and Gool, L. V. 2008. Speededup robust features (SURF). Computer Vision and Image Understanding, 110(3), 346-359.

Blender. 2020. Web Sitesi: https://blender.stackexchange.com/questions/143039/get-particle-location-using- python, Erişim Tarihi: 20.09.2020.

Blender. 2020. Web Sitesi: https://blender.stackexchange.com/questions/7198/save-the-2d-bounding-box-of-an-object-in-rendered-image-to-a-text-file, Erişim Tarihi:

20.09.2020.

Blender. 2020. Web Sitesi:https://docs.blender.org/manual/en/latest/getting_started/

about/history.html, Erişim Tarihi: 19.09.2020.

Blender. 2020. Web Sitesi:https://docs.blender.org/manual/en/latest/physics/particles/

emitter/physics/boids. html, Erişim Tarihi: 19.09.2020.

Blender. 2020. Web Sitesi:https://docs.blender.org/manual/en/latest/physics/

particles/introduction.html, Erişim Tarihi: 19.09.2020.

Brown, M. and Lowe, D. 2002. Invariant features from interest point groups. BMVC.

Burges, C. J. C. 1998. A tutorial on support vector machines for pattern recognition, data mining and knowledge discovery. Kluwer Academic Publishers, 2(2), 121-167.

104

Budak, Ü. ve Şengür, A. 2015. Ölçekten Bağımsız Özellik Dönüşümü ve Kelime Çantası Yöntemleri ile Doku Sınıflandırması. SİU-2015 Sinyal İşleme ve İletişim Uygulamaları Kurultayı, 56-59.

Buğday, A. 2010. Gerçek zamanlı videolarda ön ve arka plan ayrımı. Yüksek Lisans Tezi, Ankara Üniversitesi, Elektrik Elektronik Mühendisliği Anabilim Dalı, 76, Ankara.

Canu, S. 2018. Web Sitesi: https://pysource.com/2018/03/21/feature-detection-sift-surf-obr-opencv-3-4-with-python-3-tutorial-25/, Erişim Tarihi: 20.09.2020.

Cortes, C. and Vapnik, V. 1995. Support vector networks. Machine Learning, 20, 1-25.

Dalal, N. and Triggs, B. 2005. Histograms of oriented gradients for human detection.

2005 Proc. IEEE Computer Soc. Conf. Comput. Vis. Pattern Recognit., 886-893.

Demirel, E. 2019. Görsel Navigasyon İçin Bilgisayarlı Görme Yöntemleri. Yüksek Lisans Tezi, Hacettepe Üniversitesi, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı, 116, Ankara.

Dihkan, M. 2019. Uzaktan Algılanmış Görüntülerin SURF Özellik Verileri ve RANSAC Algoritması ile Otomatik Çakıştırılması. GÜFBED, 9(3), 425-432.

Duda, R. O., Peter, E. Hart, P. E. and Stork, D. G. 2000. Pattern classification. Wiley-Interscience, 738, United States

Fazel, A. and Vo, V. 2016. Pedestrian Detection and Tracking in Images and Videos.CS231A Project, Stanford University, 6, United States.

Fazel, A. 2016. Web Sitesi: https://github.com/afazel/CS231A_Project, Erişim Tarihi:20.09.2020.

Gonzalez, R. G. and Woods, R. E. 2008. Digital Image Processing Third Edition.

Prentice Hall, 954, United States

Gonzalez, R. G. and Woods, R. E. 2017. Digital Image Processing 4th Edition. Pearson, 1168, United States

Graf, F. G. 1999. Modern Dictionary of Electronics Seventh Edition. Newnes, 882, United States

Gong, X., Su, H., Xu, D., Zhang, Z., Shen, F. and Yang, H. 2018. An Overview of Contour Detection Approaches. International Journal of Automation and Computing, 15(6), 656-672

105

Güldoğan, E. 2017. Çeşitli Çekirdek Fonksiyonları İle Oluşturulan Destek Vektör Makinesi Modellerinin Performanslarının İncelenmesi: Bir Klinik Uygulama.

Doktora Tezi, İnönü ve Mersin Üniversitesi, Biyoistatistik ve Tıp Bilişimi Anabilim Dalı, 103, Malatya.

Hattori, H., Bodetti, V. N., Kitani, K. and Kanade, T. 2015. Learning scene-specific pedestrian detectors without real data. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3819–3827.

Huang, D. Shan, C., Ardabilian, M., Wang, Y. and Chen, L. 2011. Local Binary Patterns and Its Application to Facial Image Analysis: A Survey. EEE Transactions on Systems, Man and Cybernetics, Part C: Application and Reviews, 42(6).

Kaggle. 2016. Web Sitesi: https://www.kaggle.com/tonypoe/svm-implementation-for-nature-conservatory, Erişim Tarihi: 20.09.2020.

Karakuş, P. ve Karabörk, H. 2014. SURF algoritması kullanılarak uzaktan algılama görüntülerinin geometrik kaydı. 5. Uzaktan Algılama-Cbs Sempozyumu. 14-17 Ekim 2014. Uzal-Cbs 2014; İstanbul.

Kızrak, M. A. 2014. Local Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması.

Şekil Tanıma Proje Raporu, Yıldız Teknik Üniversitesi, 10, İstanbul Kumar, R. 2019. Machine Learning Quick Reference. Packt, 377, UK

Lowe, D. G. 2004. Distinctive image features from scale-invariant keypoints.

International Journal of Computer Vision, 60(2), 91-110.

Nabiyev, V. V. ve Günay, A. 2011. LBP Yardımıyla Görüntüdeki Kişinin Yaşının Bulunması. Çankaya University Journal of Science and Engineering, 8(1), 27-41.

Ojala, T. Pietikainen, M. and Harwood, D. 1996. A ComparativeStudy of Texture Measures with Classification Based on Feature Distributions. Elsevier Science, PatternReconition, 29(1), 51-59.

Özgen, N. ve Sarıtaş, M. 2008. SIFT Metodu ile Hedef Takibi, Elektrik -Elektronik,Bilgisayar Mühendisliği Sempozyumu ve Fuarı, ELECO 2008, Bursa Pishchulin, L., Jain, A. Wojek, C., Andriluka, M., Thormahlen, T. and Schiele, B. 2011.

Learning people detection models from few training samples. 2011 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1473-1480.

106

Rosebrock, A. 2015. Web Sitesi: https://www.pyimagesearch.com/2015/12/07/local-binary -patterns-with-python-opencv/, Erişim Tarihi: 20.09.2020.

Rothe, R., Guillaumin, M. and Gool, L. V. 2014.Non-Maximum Suppression for Object Detection by Passing Messages between Windows.Asian Conference on Computer Vision (ACCV 2014). 1-5 November 2014, Singapore.

Shan, C., Shaogang, G. and McOwan, P. W. 2009. Facial expression recognition based on Local Binary Patterns: A comprehensive study. Image and Vision Computing, 27(6), 803-816.

Statskingdom. 2021. Web Sitesi: https://www.statskingdom.com, Erişim Tarihi:

05.01.2021.

Soman, K.P., Loganathan, R. and Ajay, V. 2011. Machine learning with SVM and other Kernel methods. PHI Learning Pvt. Ltd., 486.

Soofi, A. and Arshad, A. 2017. Classification Techniques in Machine Learning:

Application and Issues. Journal of Basic & Applied Sciences, 13, 459-465.

Studio, M. 2020. Web Sitesi:https://www.youtube.com/watch?v=sllH9OnbjOg&

list=WL&index=5&t=0s, Erişim Tarihi: 20.09.2020.

Tabhki, H., Bushey, R. and Schirner, G. 2013. Algorithm and Architecture Co-Design of Mixture of Gaussian (MoG) Background Subtraction for Embedded Vision.

2013 Asilomar Conference on Signals, Systems and Computers, USA

Ülgen, K. 2017. Web Sitesi:https://medium.com/@k.ulgen90/makine-%C3%B6%C4

%9Frenimi-b%C3%B6l%C3%BCm-4-destek-vekt%C3%B6r-makineleri-2f8010824054, Erişim Tarihi: 20.09.2020.

Vazquez, D., Lopez, A., Marin, J., Ponsa, D. and Geronimo, D. 2014. Virtual and Real World Adaptation for Pedestrian Detection. PAMI, 36(4), 797-809.

Yüksel, A., Yanık, A. ve Ayazlar, R. A. 2015. Bilimsel Araştırma Yöntemleri, 272, Türkiye

107 ÖZGEÇMĠġ

Adı Soyadı : Tahir BÜYÜKBAŞARAN Doğum Yeri : Ankara

Doğum Tarihi : 24/12/1975 Medeni Hali : Evli

Yabancı Dili : İngilizce

Eğitim Durumu (Kurum ve Yıl)

Lise : Ankara Aydınlıkevler İnönü Lisesi (1991)

Lisans : Ankara Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği (1996)

Yüksek Lisans : Ankara Üniversitesi Fen Bilimleri Enstitüsü Elektrik Elektronik Mühendisliği Anabilim Dalı (2021)